La segmentation des vaisseaux rétiniens à partir d’images rétiniennes constitue une tâche essentielle dans le développement de systèmes d’aide au diagnostic assisté par ordinateur pour les maladies rétiniennes. Des efforts ont été déployés afin de mettre au point des approches basées sur l’apprentissage profond à haute performance, permettant de segmenter les images rétiniennes de manière end-to-end. Toutefois, l’acquisition d’images de vaisseaux rétiniens ainsi que des étiquettes de segmentation nécessite un travail intensif de la part de cliniciens spécialisés, ce qui entraîne des jeux de données d’entraînement de taille réduite et souvent incomplets. Comme on le sait, les méthodes fondées sur les données souffrent de l’insuffisance des données, et les modèles s’adaptent facilement (overfit) aux petits jeux d’entraînement. Cette situation s’aggrave encore lorsque les étiquettes de vaisseaux utilisées pour l’entraînement sont incomplètes ou erronées. Dans cet article, nous proposons un schéma d’apprentissage par groupe d’étude (Study Group Learning, SGL) afin d’améliorer la robustesse du modèle entraîné sur des étiquettes bruitées. En outre, une carte d’amélioration apprise offre une meilleure visualisation que les méthodes conventionnelles, servant ainsi d’outil auxiliaire pour les cliniciens. Les expériences montrent que la méthode proposée améliore davantage la performance de segmentation des vaisseaux sur les jeux de données DRIVE et CHASE_DB1, en particulier lorsque les étiquettes d’entraînement sont bruyantes.